You are on page 1of 86

MATRICES Y DETERMINANTES. MATRICES. 1.Definiciones.

Matriz: Se llama matriz de orden mxn a todo conjunto rectangular de elementos aij dispuestos en m filas y n columnas. a11 a12 ..............................a1n A = a21 a22 ..............................a2n .............................aij....................... am1 am2..............................amn Matriz fila: Es una matriz de orden 1xn A = (a11 a12...........................a1n) Matriz columna: Es una matriz de orden mx1 b11 B = b21 . . bm1 Matriz Cuadrada: Es una matriz que cumple que el n de filas es igual al nmero de columnas. Existen dos clases de diagonales: la principal y la secundaria. a11 a12.................. a1n a21 a22...........a2n1 a2n A = .................................... an1 an2....................ann a11 a22 a33 ann => fila=columna Diagonal Principal: Aquella formada por los elementos a11 a22 a33... (solo en las matrices cuadradas). Diagonal Secundaria: Aquella formada por los elementos a1n a2n1.....ann.

Matriz Triangular: Es una matriz cuadrada que tiene nulos los elementos que estn a un lado de la diagonal principal. Habr matrices Triangulares Superiores, que son aquellas que tienen nula la parte inferior de la diagonal principal. 3 2 7 Triangular Superior A=040 0 0 1 i > j => aij = 0 Matriz Triangular Inferior: Es una matriz que tiene nula la parte superior de la diagonal principal. 1 0 0 A = 3 2 0 i < j => aij = 0 2 1 3 Matriz Diagonal: Es una matriz cuadrada que tiene nulos los elementos de ambos lados de la diagonal principal. 1 0 0 D=020 003 Matriz Unidad o identidad: Es una matriz diagonal que tiene todos los elementos de la diagonal principal igual a 1. 10100 I=01I=010 001 1 si i = j aij= 0 si i = j Matriz Traspuesta: Una matriz traspuesta de una matriz A, es la que se obtiene al convertir ordenadamente las filas a columnas, se representa por At. A = (aij) mxn At = (aij) nxm 2 1 3 2 0 A = 0 2 1 At 1 2 2

31 (2*3) (3*2) Matriz Simtrica: Una matriz simtrica de una matriz cuadrada A, es aquella que es igual a su traspuesta, es decir, son iguales todos los elementos que son simtricos respecto de la diagonal principal. aij = aji 1 1 2 A = 1 0 1 213 Suma de matrices. En el conjunto de matrices mxn se define una ley de composicin interna llamada suma de matrices, de forma que si tenemos una matriz A=(aij)mxn y una matriz B=(bij)mxn se define matriz suma A+B=C C=(cij)mxn; A,B Mmxn De forma que cada (Cij) lo obtenemos de la suma de aij+bij Ejemplo: 1 2 3 A= 0 1 2 4 1 5 A+B=C= 0 0 2 5 1 2 B= 0 1 4 Propiedades de la suma de matrices. 1. Conmutativa: Si yo sumo A+B obtengo el mismo resultado que si sumo B+A y eso se verifica s A, B Mmxn 2. Asociativa: (A+B)+C = A+(B+C); A, B, C Mmxn 3. El elemento neutro: Se llama matriz nula, se denota siempre Omn, es una matriz que todos sus elementos son 0. A+Omn=A, A Mmxn 4. El elemento opuesto: Que es la matriz opuesta se denota (A)

A+(A) = (A)+A = Omn; A Mmxn Producto de una matriz por un nmero real. Dado el conjunto de matrices de orden Mmxn se define una ley de composicin externa, llamada producto de un numero real por una matriz de orden mxn de forma que A=(aij)mxn y un numero real K (K ) se llama K*A = (K*aij)mxn K=1 1 1 0 1 1 0 K*A= 2 3 1 A= 2 3 1 Propiedades del producto de una matriz por un nmero real. 1. Distributiva mixta del producto respecto de la suma de matrices. K.(A+B) = K*A+K*B; A,B Mmxn; K Ejemplo: 1. K(A+B) 1 2 3 3 1 7 A = A+B = C = 0 2 1 1 2 1 2 3 4 6 2 14 B = CK = D = 1 0 0 2 4 2 K=2 2. K=3 3 4 1 6 A = B = 2532 3 4 1 6 4 10 12 30 3 + = 3 = 2 5 3 2 5 7 15 21

2'. 3 4 1 6 9 12 3 18 3+3=+= 2 5 3 2 6 15 9 6 12 30 = 15 21 2. Distributiva mixta del producto respecto de la suma de nmeros reales. (K+r)*A = k*A+r*A; A Mmxn; k,r 3. Asociativa mixta: (k*r)*A = k*(r*A); A Mmxn; k,r 4. El neutro para la ley externa: 1*A = A; A Mmxn; 1 Producto de dos matrices. Para que dos matrices A y B puedan multiplicarse en este orden A*B es necesario que el nmero de columnas de la primera matriz A sea igual al nmero de filas de la segunda matriz B. A= (aij)mxn A*B = C = (Cik)mxp A * B B= (bjk)nxp = Cik = ai1 * bk1 + ai2 * bk2................+ ain * bnk = aih * bhk A = (aij)mxn A * B = Si se puede B = (bjk)nxp B * A = No se puede a11 a12...............a1n b11 b12.......b1k......b1p a21 a22...............a2n b21 b22.......b2k......b2p A*B = ai1 ai2................ain ....................................... 5

am1 am2..............amn bn1 bn2........bnk.....bnp C12............................... ...................................... ..................Cik.............. ...................................... A=(aij)23 1 2 3 5 1 A= B=(bjk)32 0 1 2 B= 1 3 01 5 1 1 2 3 AB= 1 3 = 0 1 2 01 C11 C12 (1)5+21+30 (1)(1)+23+31 3 10 == 05+(1)1+20 0(1)+(1)3+21 1 1 C21 C22 NO SE VERIFICA LA PROPIEDAD CONMUTATIVA. SI SE VERIFICA LA PROPIEDAD ASOCIATIVA. Propiedades: Asociativa: (AB)C=A(BC) A,B,C Mn Ejemplo: (AB)C=A(BC) (21) (12) (23) (32)

(22) (22) 1 1 2 0 A = ; B = 2 ; C= 5 6 2 1 1 5 (12) (23) (31) 1 Parte. 5 5 25 30 AB= ; (AB)C= 5 6 = 11 12 5 5 25 30 21 22 2 Parte. 1 5 6 BC= 2 (5 6) = 10 12 ; 5 25 30 (32) 5 6 1 2 0 25 30 A(BC)= 10 12 = 2 1 1 25 30 25 30 5+20+0=25 6+24+0=30 10+1025=25 12+1230=30

Distributiva respecto de la suma de matrices: A(B+C)=AB+AC A,B,C Mn Ejemplo: 2 1 2 4 4 2 A= B= C= 5 0 3 1 7 3 2 1 2 4 4 2 2 1 2 4 2 1 4 2 +=+ 5 0 3 1 7 3 5 0 3 1 5 0 7 3 2 1 2 6 7 7 1 7 =+ 5 0 10 2 10 20 20 10 6 14 6 14 = 10 30 10 30 Elemento Neutro: Matriz Unidad: AIn = InA = A; A Mn Ejemplo: 1 2 0 0 0 0 0000 52=0000 0000 5 1 0 0 0 0 Otro ejemplo: 1 2 4 6 0 0 = 1 2 2 3 0 0

DETERMINANTES. Determinante: Sea A una matriz cuadrada de orden n se llama determinante de A al polinomio cuyos trminos son todos los posibles productos de n factores tomados entre los n elementos de A de modo que en cada termino haya un solo factor de cada fila y un solo factor de cada columna, y afectando a cada termino del signo + o del segn que las permutaciones de los ndices de las filas y las columnas sean de la misma clase o de distinta clase (par o impar). El nmero de trminos de un determinante de orden n es n factorial. a11 a12 a13 |A| = a21 a22 a23 3! = 3*2*1 = 6 a31 a32 a33 |A| = a11*a22*a33+a12*a23*a31+a13*a21*a32a11*a23*a32a12*a21*a33a13*a22*a31 a11 a12 |A| = = a11*a22a12*a21 a21 a22 2! = 2*1 = 2 Regla de Sarrus. Dentro del polinomio los trminos positivos sern: La suma de la diagonal principal mas sus paralelas por la esquina contraria. Los trminos negativos sern. La diagonal secundaria mas sus paralelas por la esquina contraria Ejemplos de la regla de Sarrus. a11 a12 |A| = = a11*a22a12*a21 a21 a22 a11 a12 a13 |A| = a21 a22 a23 a31 a32 a33 |A| = a11*a22*a33+a12*a23*a31+a13*a21*a32a13*a22*a31a11*a23*a32a12*a21*a33 123

4 5 6 = 5 + 24 12 + 30 + 6 8 = 60 25 = 35 2 1 1 DEFINICIONES. Menor Complementario: Dada una matriz cuadrada A de orden n se llama menor complementario ij de un elemento aij al determinante de orden n1 que resulta al suprimir la fila y la columna del elemento aij. Ejemplo: 56 1 2 3 11= = 5 6 = 11 A = 4 5 6 1 1 2 1 1 46 12= = 4 12 = 16 2 1 23 13= = 12 15 = 3 56 Adjunto: Dada una matriz cuadrada A de orden n se llama adjunto (Aij) de un elemento aij al valor de la siguiente expresin: A11 = (1) 1+1 * 11 A12 = (1)1+2 * 12 A11 = 1 * 5 6 = 11 A12 = (1) * (16) = 16 1 1 PROPIEDADES DE LOS DETERMINANTES. 1. Si cambiamos ordenadamente las filas por columnas el determinante no varia, es decir, el determinante de A es igual al determinante de su traspuesta. |A| = |At| abac = ad bc ; = ad cb cdbd 10

2. Si se intercambian entre si dos lneas paralelas, filas o columnas, el determinante solo cambia de signo pero el valor absoluto se mantiene invariable. F1 cambio F2 abcdab = ad bc ; = bc ad = cdabcd 123 4 5 6 = 2412+30+6 = 60+12 = 48 2 1 0 F1 cambio F3 2 1 0 4 5 6 = 30624+12 = 48 123 3. Multiplicar un nmero por un determinante equivale a multiplicar dicho nmero por los elementos de una de sus lneas (una fila o una columna). a b K.a K.b K.a b K.== c d c d K.c d 12 2. = 2 . (46) = 2 . (2) = 4 34 K.a b 2 4 = 812 = 4 K.c d 3 4 4. Un determinante con dos lneas paralelas iguales o proporcionales vale 0. abc d e f = aec + bfa + cdb cea afb bdc = 0

11

abc a d k.a a d a b e k.b = k. b e b = k.0 = 0 c f k.c c f c Ejemplo con nmeros: 142 2 5 4 = 30 + 48 + 24 30 24 48 = 0 366 5. Si cada elemento en una lnea dada es suma de dos trminos, se puede desdoblar en dos determinantes de la siguiente forma: abcabcabc d+x e+y f+z = d e f + x y z ghighighi Ejemplo con nmeros: 123123 4+2 51 6+1 = 6 4 7 = 20+427236+2860 = 78 3 4 5 3 4 5 123 4 5 6 = 25+364845+2440 = 48 3 4 5 4830= 78 123 2 1 1 = 5+624+9+420 = 30 3 4 5 6. Si a una lnea se le suma otra paralela multiplicada por un nmero el determinante no vara. abcabc d e f = d+k.a e+k.b f+k.c 12

ghighi f`2 = f2 + kf1 Nota: Nunca se puede poner f2 = 5f2 + kf1 Ejemplo con nmeros: 235235 1 2 0 = 5 11 15 =22+452555+3015=2 1 1 1 1 1 1 f2 = f2 + 3f1 k=3 7. Si una lnea es una combinacin lineal de otras dos o ms lneas paralelas el determinante es 0. l1 = K2.l2 +K3.l3 ; K2, K3 2 lneas iguales =0 2 lneas proporcionales Combinacin lineal de las restantes Ejemplo con nmeros: 235 5 5 9 = 0 f2 = 2f1 + f3 1 1 1 8. El determinante de una matriz triangular o diagonal es igual al producto de los elementos de la diagonal principal. abc 0 d e = a.d.f 00f 9. El valor de un determinante es igual a la suma de los productos de los elementos de una lnea por sus adjuntos correspondientes. a11 a12 a13 a14

13

a21 a22 a23 a24 = a11.A11 + a12.A12 + a13.A13 + a14.A14 a31 a32 a33 a34 a41 a42 a43 a44 = a11. a12. +a13. a14. Ejemplo con nmeros 1 2 3 4 678578 5678 = (1) 10 11 12 2 9 11 12 9 10 11 12 14 15 16 14 15 16 13 14 15 16 568567 3 9 10 12 4 9 10 11 = (4400)2(360)3(480)4(4344)= 18880 13 14 15 13 14 15 10. Si A y B son dos matrices cuadradas de orden n entonces se verifica que el determinante de su producto es igual al producto de sus determinantes. |A . B| = |A| . |B| ; A,B Mn 2312 A=B= 0 1 2 1 23122312 .=. 0 1 2 1 0 1 2 1 81 = 2 . (14) 14

2 1 10 = 10 11. Un determinante con una lnea de 0 vale 0. abc def=0 000 3. METODOS PARA RESOLVER DETERMINANTES DE CUALQUIER ORDEN. Existen tres mtodos: 1. Por adjuntos. 2. Regla de Chio. 3. Triangulando la matriz. 1. Por adjuntos: Aplicando la propiedad N 9 de los determinantes se desarrolla por los adjuntos de una lnea, convirtindose entonces el determinante inicial en varios determinantes de orden n1 y se puede repetir el proceso con los determinantes resultantes hasta llegar a los de orden 3 que podemos calcular directamente a travs de la regla de Sarrus. Ejemplo: 1 2 1 0 3 2 1 0 3 1 1 0 3 1 2 0 3 2 3 4 5 1 3 4 5 1 2 4 5 1 2 3 5 1 2 5 1 0 1 1 1 1 5 1 0 1 2 1 0 1 2 5 0 1 3 4 7 5 4 4 7 5 4 5 7 5 4 3 4 5 4 151 152 153 054 255 1 2 1 0 2 3 4 5 Ahora de cada determinante habra que hacer lo mismo hasta 2 = que nos quedasen solo determinantes de orden 3. 15

2 5 1 0 3475 4 5 1 3 5 1 3 4 5 2 1 0 1 + 5 0 1 3 5 1 0 7 5 4 4 5 4 4 7 5 2. Regla de Chio: Se busca una lnea que tenga algn elemento de valor 1 que se denomina Elemento Pivote y se le aplica la propiedad N 6 de los determinantes (Si a una lnea se le suma otra lnea paralela multiplicada por un nmero, el determinante no vara) respecto al Pivote para conseguir que el resto de los elementos de esa lnea sean nulos. Aplicando la propiedad N 9 de los determinantes, el determinante inicial quedar reducido a uno de menor orden, al que hay que anteponer signo + o correspondiente al signo del adjunto de dicho Pivote. Ejemplo: 10121000 131 1 1 2 1 1 1 3 1 = = 3 1 0 = 19 13221310 1 2 3 2 1 0 1 2 1 2 3 C'3 = C3 C1 C'4 = C4 + (2)C1 1 1 0 1 1 1 0 1 1 2 1 3 4 5 1 0 = 21302130 3201 f'2 = f2 3f1 f'4 = f4 f1

16

Dos casos de esta regla: a) 2 3 6 1 3 6 5 4 3 = 1 4 3 2 8 5 6 8 5 C'1 = C1 C2 b) 2 3 6 1 3/2 3 5 4 3 = 5 4 3 2 8 5 2 8 5 3. Triangulacion: Consta de n1 etapas, en una etapa i cualquiera tomamos como Pivote el elemento que este en la posicin aii (Diagonal Principal) y a travs de la propiedad N 6 anulamos todos los elementos que queden por debajo de su columna, en la siguiente etapa anulamos los elementos por debajo del siguiente elemento de la Diagonal Principal, y as hasta conseguir triangular la matriz. Aplicando la propiedad N 8 y obtenemos el valor del determinante como el producto de los elementos de la Diagonal Principal. Ejemplo: 1 3 2 1 1 3 2 1 1 1 2 3 1 1 2 3 2 2 1 3 0 4 5 1 0 1 5 4 0 1 5 4 ==== 0 5 10 4 0 5 10 4 0 4 10 5 0 0 10 21 7 8 9 2 0 13 23 9 0 9 23 13 0 0 68 49 f `2 = f2 + 2f1 C2 por C4 f `3 = f3 4f2 f `4 = f4 + 7f1 f `4 = f4 + 9f2 1 1 2 3 0154 = = (938) = 938 0 0 10 21 0 0 0 938/10 f `4 = f4 +68/10f3 MATRIZ INVERSA.

17

Dada una matriz cuadrada A se llama matriz inversa, y se representa A1, a la matriz que cumple: A . A1=A1 . A=In Ejemplo: x+2z=1 1 2 1 2 x y 1 0 y+2t=0 2 1 A= ; . = 3x+4z=0 A1 3 4 3 4 z t 0 1 3y+4t=1 3/2 1/2 La matriz A1 se puede calcular as: A1 = 1 . [Adj . (A)]t |A| 1. |A| A11 A12..........A1n 2. Adj (A) = An1 An2.......Ann A11..An1 K.A11. 3. [Adj (A)]t = ; A1 = K . = A1n..Ann PROPIEDADES DE LA MATRIZ INVERSA. 1) Si la matriz A es singular (cuando su determinante es nulo) en ese caso no existe su matriz inversa. Si A es singular (|A|=0) A1 2) Si A es regular (cuando su determinante es <> de 0) podemos afirmar que existe su inversa y adems esta matriz es nica. Si A es regular (|A|=0) A1, A1 es nica 3) La matriz inversa de un producto de matrices es igual al producto de la inversa del segundo factor por la inversa del primer factor. (A . B)1= B1 . A1 ; A, B Mn ; A, B regulares 4) La inversa de la inversa de A es A.

18

(A1)1 = A ; A Mn ; |A| = 0 Ejemplos: A1 = 1 . [Adj . (A)]t 1 2 |A| A= 34 12 |A| = = 46 = 2 = 0 A1 34 4 3 4 2 2 1 Adj (A) = ; A1 = 1/2 = 2 1 3 1 3/2 1/2 1 1 0 A = 2 1 1 023 1 1 0 |A| = 2 1 1 = 3+2+6 = 11 = 0 A1 023 1 1 2 1 2 1 230302 5 6 4 1 0 1 0 1 1 Adj (A)= 2 3 0 3 0 2 = 3 3 2 1 0 1 0 1 1 1 1 3 1 1 2 1 2 1 531 A1= 6 3 1

19

11 4 2 3 RANGO DE UNA MATRIZ. 1. Definicin: Toda matriz A sea o no cuadrada lleva asociado un nmero natural que se denomina rango de A, y se simboliza r(A), tal nmero coincide con el mximo nmero de vectores linealmente independientes de los que forman la matriz. 2. Definicin: Llamando menores de orden h, a los determinantes de las submatrices formadas por todos los elementos comunes a h filas y h columnas de la matriz A, se define rango de A al nmero natural que expresa el mayor de los ordenes de los menores no nulos de la matriz A. Ejemplo: r(A)=3 ............................ ............................ = 0 ............................ PROPIEDADES. Propiedad 1: El rango de una matriz es como mximo el ms pequeo entre m y n. r(A) < min (m, n) Propiedad 2: El nmero de filas linealmente independientes que hay en una matriz coinciden con el mximo nmero de columnas linealmente independientes. OPERACIONES ELEMENTALES (Que se pueden realizar en una matriz para el calculo de su rango). 1) Si se intercambian dos filas o dos columnas entre si el rango no se modifica. 2) Si una fila o una columna tiene todos los elementos nulos puede ser suprimida. 3) Se puede eliminar una lnea que sea combinacin lineal de otra u otras. abcabc abc def=0rdef=r ghi ghIghi f2 = 2f1 f2 = 2f1 f2 = 2f1+3f3 f2 = 2f1+3f3 20

4) Se puede multiplicar o dividir toda una lnea por un nmero distinto de 0 y el rango no se altera. a/a b/a a cd a b 2a 2b r=r cdcd 5) Una lnea se puede sustituir por ella misma ms un nmero no nulo por otra lnea paralela. abc def= ghi f `2 = f2 + k . f1 6) Una lnea se puede sustituir por el producto de un nmero no nulo por ella misma ms un nmero no nulo por otra lnea paralela. Li = k1 . Li + k2 . Lj CALCULO DEL RANGO A TRAVES DEL METODO DE MENORES. Sea una matriz A formada por m vectores. A=(V1 , V2.........Vm) 1) Seleccionar dos vectores y buscar un menor no nulo, entre todos. Si lo hay significa que V1 y V2 son linealmente x x independientes, por lo tanto, como mnimo su rango es 2. =0 x x Si no lo hay significa que V1 y V2 son linealmente dependientes, por lo tanto, podra probar con V1 y V3. V1 y V2 son L.I. => r(A) >= 2 V1 y V2 son L.D. (suprimiramos V2) 2) Partiendo del menor no nulo de orden 2 se selecciona un nuevo vector, por ejemplo V3, y se van calculando todos los posibles menores de orden 3 que resulten al orlar el menor no nulo.

21

xxx Si lo hay => V1, V2 y V3 son L.I. => r(A)>=3 V3 x x x = 0 Si no lo hay =>V3 es C.L. del V1 y del V2(suprimir V3 y probar V4) xxx Ejemplo: 1 2 4 7 V1 2 1 5 8 V2 1 2 A= ; = 3 = 0 V1 y V2 son L.I. r(A)>=2 1 3 1 3 V3 2 1 0 1 1 2 V4 124127 2 1 5 =0 ; 2 1 8 =0 V3 es C. L. De V1 y V2 1 3 1 1 3 3 124127 2 1 5 = 0 ; 2 1 8 = 12 = 0 V1, V2, V4 son L.I. r(A)=3 0 1 1 0 1 2 Ejercicio: 2 1 11 2 V1 4 5 2 5 V2 A= 2 1 0 1 V3 1 2 1 2 V4 2 1 =10+4=14 = 0 V1 Y V2 son L.I. r(A) >=2 45

22

2 1 1 4 5 2 = 0+4+410+0+4=2 = 0 V1, V2 Y V3 son L.I. r(A)>=3 210 2 1 2 4 5 5 =205+161020+8=9 = 0 122 2 1 1 2 2 1 1 2 839 4 5 2 5 8 3 0 9 = = + 2 1 1 =0 V4 es C.L. de V1, V2, V3 21012101 3 1 4 r(A)=3 1 2 1 2 3 1 0 4 f `2=f2+2f1 f `4=f4+f1 CALCULO DEL RANGO A TRAVES DEL METODO DE GAUSS. Por filas: Este mtodo constar de m1 etapas. En una etapa i cualquiera se deja fija la fila i, tomando como referencia el elemento aii por medio de operaciones elementales se hacen 0 todos los elementos de su columna que estn por debajo de l. Si el elemento aii es igual a 0 es preciso intercambiar previamente esa fila con alguna otra inferior o la columna con alguna otra posterior hasta conseguir que el elemento aii sea distinto de 0. Finalmente el rango es el nmero de filas distintas de 0 que obtengamos. xxxxxxx 0xxxxxx 00xxxxx 000xxxx 0000xxx 23

Ejemplo: 1 4 2 1 1 4 2 1 1 4 2 1 1 4 2 1 2 1 0 1 0 7 4 3 A = ; r(A) = r = r 0 7 4 3 = r 0 7 4 3 3 12 6 3 0 0 0 0 0 1 3 1 0 0 25 10 0 1 3 1 0 1 3 1 f `2=f22f1 f `3=7f3f2 f `3=f33f1 r(A) = 3 2 1 3 5 2 1 3 5 2 1 3 5 2 0 1 3 0 1 2 2 0 1 2 2 r = r = r r(A) = 4 1 2 1 0 0 4 3 3 0 0 11 11 1 3 1 2 0 6 1 1 0 0 11 11 f `2=f2f1 f `3=4f2+f3 f `3=2f3f2 f `4=6f2+f3 f `4=2f4f2 Ejercicio: 2 1 3 5 1 2 3 5 20130213 r=r= 1 2 1 0 2 1 1 0 13123112 C1 por C2

24

2 1 3 5 2 1 3 5 0 1 2 2 0 1 2 2 = = r r(A) = 3 00550055 0 0 13 13 0 0 0 0 f `4=5f413f3 EJERCICIOS: 1. 1 2 1 1 AX=B A= 1 3 2 B= 3 2545 AX=B A1 A X = A1 B I X X 2. 5 0 1 3 3 3 3A+XB=C A= B= C= 2 1 2 2 0 1 3A + XB = C XB = C 3A XB B1 = [C 3A] B1 3. 1 0 1 m? A1 A= 0 m 3 4 1 m

25

TEMA2. SISTEMAS DE ECUACIONES LINEALES. DEFINICIONES. Sistema de Ecuaciones Lineales: Se llama Sistema de Ecuaciones Lineales a todo junto de ecuaciones que presente la siguiente forma. a11 x1 + a12 x2 +...........+ a1n xn = b1 aij : Coeficientes. a21 x1 + a22 x2 +...........+ a2n xn = b2 xj : Incgnitas ....................................................... bi : Trminos independientes am1 x1 + am2 x2 +........+ amx xn = bm m : Ecuaciones. n : Incgnitas. a11 a12...... ........... a1n x1 b1 a21 a22...... ............a2n x2 b2 .. a31 a32..................a3n * . = . .. ......................................... . . .. am1 am2...amn xn bm Discutir un Sistema: Es averiguar si tiene soluciones y en ese caso cuantas hay. Una vez discutido se pasa a resolver Resolver un Sistema: Es hallar todas sus soluciones, es decir, los valores que sustituidos en las xi (incgnitas) hacen que se verifiquen todas las ecuaciones. Sistemas Equivalentes: Dos sistemas son equivalentes cuando tienen las mismas soluciones. En funcin de la discusin podemos obtener una clasificacin de los sistemas: S. Incompatibles: No poseen solucin.

26

S.C. Determinados: Son los que poseen solucin nica Clasificacin S. Compatibles: Poseen solucin. S.C. Indeterminados:Son los que poseen infinitas soluciones. Otra clasificacin: S. Homogneos: Son aquellos en los que todos los trminos independientes son nulos, B=0. S. No Homegneos: Son aquellos en los que no todos los trminos independientes son nulos, B=0. TEOREMA DE ROUCHFRBENIUS. Este teorema es aplicable en sistemas no homogneos en principio. La condicin necesaria y suficiente para que un Sistema de m ecuaciones y n incgnitas tenga solucin es que el rango de la matriz de los coeficientes sea igual al rango de la matriz ampliada con los trminos independientes. m=4 n=3 a11 x1 + a12 x2 + a13 x3 = b1 a21 x1 + a22 x2 + a23 x3 = b2 a31 x1 + a32 x2 + a33 x3 = b3 a41 x1 + a42 x2 + a43 x3 = b4 Matrices Asociadas: Matriz Coeficientes Matriz Ampliada a11 a12 a13 a11 a12 a13 b1 a21 a22 a23 a21 a22 a23 b2 a31 a32 a33 a31 a32 a33 b3 a41 a42 a44 a41 a42 a44 b4 A A' r = n S.C. Determinado

27

r(A) = r(A') = r => S. Compatible (tiene solucin) r < n S.C. Indeterminado r(A) = r(A') => S. Incompatible (no tiene solucin) METODOS PARA RESOLVER LOS SISTEMAS. 1. Resolucin por inversin de la matriz. Para poder resolverlo por este mtodo se tienen que cumplir dos cosas: 1. El nmero de ecuaciones tiene que ser igual que el nmero de incgnitas. (m=n). 2. El determinante de A debe ser distinto de 0. (|A| = 0). Ejemplo: A X = B X = A1 B 3XY=2 3 1 0 2X+Y+Z=0 |A| = 2 1 1 = 1 = 0 3Y+2Z=1 0 3 2 1 4 6 Adj (A) = 2 6 9 1 3 5 1 2 1 A1=1/1[Adj (A)]t= 2 6 9 6 9 5 1 2 1 2 1 X = 1 X = A1B 4 6 3 0 = 5 Y = 5 6 9 5 1 7 Z = 7 2. Regla de CRAMER. Cualquier incgnita Xi es igual a un cociente cuyo denominador es el determinante de la matriz de coeficientes (|A|= ) y cuyo numerador es el determinante que se obtiene al cambiar la columna i del determinante anterior por la columna de los trminos independientes. Xi = Ejemplo

28

C1 B C3 X2= C1 C2 C3 Ejemplo con nmeros: 3XY=2 3 1 0 2X+Y+Z=0 |A| = = 2 1 1 = 1 = 0 3Y+2Z=1 0 3 2 2 1 0 011 1 3 2 1 X = = = 1 11 320 201 0 1 2 5 Y = = = 5 11 X = 1 3 1 2 Y = 5 210 0 3 1 7 Z = 7 Z===7 11 3. Mtodo de GAUSS. La utilizacin de operaciones elementales en el mtodo de GAUSS garantiza dos cosas: 1. El Rango de la matriz primitiva coincide con el rango de la matriz transformada.

29

2. El sistema de ecuaciones asociado a la matriz transformada es equivalente al sistema de ecuaciones asociado a la matriz primitiva. a11 a12 a13 b1 a11 a12 a13 b1 a21 a22 a23 b2 0 a22' a23' b2' r = =............................. = r = a31 a32 a33 b3 0 0 a33' b3' a41 a42 a43 b4 0 0 0 b4' a11 x1 + a12 x2 + a13 x3 = b'1 a'22 x2 + a'23 x3 = b'2 a3'3 x3 = b'3 Ejercicio: x+y=1 xy=5 2x y = 8 3x + 4y = 1 111111111 1 1 5 0 2 4 0 1 2 2 1 8 0 3 6 0 3 6 3 4 1 0 1 2 0 2 4 A f '2 = f2 f1 f2 por f4 f `3 = f3 2f1 A' f `4 = f4 3f1 * 1 1 1 r(A)=2 S.C. Determinado 0 1 2 r(A')=2 000r=n 30

S.C. Determinado 0002=2 f `3 = f3 + 3f2 r(A)=2 f `4 = f4 + 2f2 r(A')=2 * x + y = 1 x 2 = 1 SOLUCIONES. x=3 y = 2 x = 3 y = 2 Ejercicio: Discutir por Rouche y resolver por Gauss. x+y+z=6 x y + 2z = 5 x+yz=0 11161116 1 1 2 5 0 2 1 1 1 1 1 0 0 0 2 6 r(A)=3 f `2 = f2 f1 r(A')=3 f `3 = f3 f1 r(A) = r(A') = 3 => S.C. r = n => S.C. Determinado x+y+z=6 2y + z = 1 2z = 6 z=3 2y + 3 = 1 x + 2 + 3 = 6 2y = 1 3 x = 1

31

y = 4/2 y=2 SOLUCIONES. x = 1 Nota: Los cambios de filas no importa, pero y = 2 cambios de columna si afectan. z=3 Ejercicio: x y 2z = 1 2x 3y + 4z = 4 5x y + 3z = 16 1 1 2 1 1 1 2 1 r 2 3 4 4 = r 0 1 8 6 = 5 1 3 16 0 4 13 21 A f `2 = f2 2f1 A' f '3 = f3 5f1 1 1 2 1 = r 0 1 8 6 r(A) = r(A') = 3 0 0 45 45 f `3 = f3 4f2 x y 2z = 1 45z = 45 y + 8 = 6 x 2 3 = 1 y + 8z = 6 z = 1 y = 6 8 x = 1 + 2 + 2 45z = 45 y = 2 x = 3 SOLUCIONES. x=3 y=2 z=1

32

SISTEMA COMPATIBLE INDETERMINADO. r(A) = r(A') = r r<n n de ecuaciones < n de incgnitas n r = n de parmetros en funcin de los que queda la solucin. Ejemplo: 43=1 Sobre el sistema de ecuaciones asociado a la matriz de rangos, resolvemos por alguno de los siguientes procedimientos: 1. Despejando desde la ltima ecuacin a la primera y por sustitucin en las anteriores (Gauss). 2. Pasando al trmino independiente nr incgnitas y resolviendo por Cramer, considerando las incgnitas del lado derecho y los trminos independientes como un solo trmino. Ejercicio: x 2 u = 1 2x 8y z + u = 2 y + 3z 2u = 2 1 2 0 1 1 1 2 0 1 1 r 2 8 1 1 2 = r 0 4 1 3 0 = 0 1 3 2 2 0 1 3 2 2 f `2 = f2 2f1 1 2 0 1 1 r(A)=3 = r 0 4 1 3 0 r(A)=r(A') S.C. r(A')=3 r<n S.C Indeterminado 0 0 11 5 8 rn = 43 = 1 uniparamtrico. f `3=4f3 f2 A A'

33

SOLUCIONES. x2yu=1 5u 8 15+25 4y z + 3u = 0 z = x = 11z 5u = 8 11 11 8 5u 4+14u 2+7u 2+7 y = 1/4 [z+3u] = 1/4 [ +3u] = = y = 11 22 11 11 58 z= 4 + 14u 15 + 25u 11 x = 1 +2y + u = 1+ + u = 11 11 u= Ejercicio: x 2y u = 1 x 2y = 1 + u 4y z + 3u = 0 4y z = 3u 11z 5u = 8 11z = 8 + 5u 1 + u 1 2 0 B 3u |A| = 0 4 1 = 44 8 + 5u 0 0 11 1+u 2 0 3u 4 1 dx 8+5u 0 11 100u60 25u+15 x==== d 44 44 11 1 1+u 0

34

0 3u 1 0 8+5u 11 28u8 7u2 y=== 44 44 11 1 2 1+u 0 4 3u 0 0 8+5u 20u8 5u8 z=== 44 44 11 SOLUCIONES. 25u+15 7u2 5u8 x=y=z= 11 11 11 SISTEMAS HOMOGNEOS. Un sistema de ecuaciones lineales se llama homogneo cuando sus trminos independientes son todos nulos. Incompatible 1 Clasificacin Determinado Compatible Indeterminado Sistemas no Homogneos (B=0) 2 Clasificacin Sistemas Homogneos Sistemas Homogneos:: Debido a esto siempre existir al menos una solucin, que es la que se conoce como solucin trivial, que es aquella que asigna 0 a todas las incgnitas del sistema. Solucin Trivial:: (Xi = 0) 35

Ejemplo de Sistema Homogneo: r = n :: S. C. Determinado (Sol. Trivial) r(A) = r(A*) = r r < n :: S. C. Indeterminado (Infinitas soluciones) nr=p Ejercicios: x + 4z = 0 x + 2y z = 0 xy+z=0 2x + 2y 7z = 0 10401040 1 2 1 0 0 2 5 0 r=r= 1 1 1 0 0 1 3 0 2 2 7 0 0 2 15 0 f2' = f2f1 f3' = f3f1 f4'= f42f1 10401040 0 2 5 0 0 2 5 0 =r=r 0 0 11 0 0 0 11 0 0 0 10 0 0 0 0 0 f3' = 2f3+f2 f4' = 11f410f3 f4' = f4f2 r(A) = r(A*) = 3

36

r = n :: S.C.Determinado (Sol. Trivial) 3=3 Ejercicio: xy+z+t=0 2x 3y + 3t = 0 y + 2z t =0 1 1 1 1 0 1 1 1 1 0 r 2 3 0 3 0 = r 0 1 2 1 0 = 0 1 2 1 0 0 1 2 1 0 f2' = f22f1 1 1 1 1 0 = r 0 1 2 1 0 00000 f3' = f3+f2 r(A) = r(A*) = 2 r < n :: S.C. Indeterminado n r = 4 2 = 2 Biparamtrico Hay otras dos maneras de resolver el ejemplo de la hoja anterior: 1) 1 1 1 1 0 r = 0 1 2 1 0 00000 xy+z+t=0 y 2z + t = 0 :: y = 2z + t x = y z t = 2z + t z t = 3z x = 3 y = 2 + z = t =

37

2) x + y + t = 0 x y = z t y 2z + t = 0 y = 2z t 1 1 z t |A| = = 1 B = 0 1 2z t zt 1 2zt 1 z + t + 2z t x = = = = 3z 1 1 1 zt 0 2zt y = = = 2z + t 1 x = 3 y = 2 + t= Resolver: 2x + y + 3z t = 0 x y + z 2t = 0 3x + y 2z + 4t = 0 x y 2z + t = 0 Discutir y resolver segn los valores de a: 2x 4y + 7z = 0 9x ay + 3z = 0 5x + 3y 2z = 0

38

TEMA3. PROGRAMACIN LINEAL. Concepto de Programacin Lineal: Un problema de optimizacin consiste en maximizar o minimizar una determinada funcin, llamada funcin objetivo, que depende de una serie de variables. Estas variables suelen estar relacionadas entre si por una o varias restricciones. En concreto la Programacin Lineal consiste en la resolucin de un problema de optimizacin con ecuaciones lineales, de la forma: Optimizar F = C1X1 + C2 X2 +....................+ CnXn Restricciones: a11x1 + a12x2 +....................+ a1nxn >=< b1 a21x2 + a22x2 +....................+ a2nxn >=< b2 an1x1 + an2x2 +....................+ amnxn >=< bm x1, x2..xn >= 0 Ejercicio: Una empresa fabrica dos tipos de productos A y B, para lo que dispone de una persona que trabaja 8 horas y de un total de 9 kg de material prima para fabricarlos. Se desea averiguar el nmero de productos a fabricar de cada tipo para obtener el mximo beneficio, sabiendo que el beneficio por cada producto es de 2 y 3 respectivamente (medido en miles de pesetas). Adems se conocen los datos referidos a las horas empleadas para cada producto y a la materia prima necesaria para cada uno de ellos. PRODUCTO A X1 1 3 PRODUCTO B X2 2 1

Horas de trabajo Materia Prima (Kg) X1 = N de unidades de producto A X2 = N de unidades de producto B Max B = C1X1 + C2X2 Max B = 2x1 + 3x2 Restricciones: 1x1 + 2x2 <= 8

39

3x1 + 1x2 <= 9 x1, x2 >= 0 1. Mtodo Grfico (Mximo 2 variables) Ejemplo del Mtodo Grfico con el ejercicio anterior. Max B = 2x1 + 3x2 S.A: 1x1 + 2x2 <= 8 3x1 + 1x2 <= 9 x1, x2 >= 0 x1 + 2x2 = 8 3x1 + x2 = 9 B = 2x1 + 3x2 x1 = 0 :: x2 = 4 x1 = 0 :: x2 = 9 Pte = 3/2 x2 = 0 :: x1 = 8 x2 = 0 :: x1 = 3 Pto recta (3,2) x1 + 2x2 = 8 x1 = 2 Max B = 22 + 33 = 13.000 pts 3x1 + x2 = 9 x2 = 3 10 8 6 Pto. Optimo. 4 2 6 4 2 0 2 4 6 8 10 Dos unidades del producto A y 3 unidades del producto B y su beneficio ser de 13.000 pts. Ejercicio: Un agricultor desea abonar su campo y sabe que precisa como mnimo 17 Kg de fsforo y 8 Kg de Nitrgeno. En la tienda donde va a comprar estas sustancias, disponen de dos productos, el producto A contiene un 20% de fsforo y un 30% de nitrgeno y cuesta 300 pts el Kg, y el producto B contiene un 30% de fsforo y 10% de nitrgeno y cuesta 300 pts. Qu cantidad ha de comprar de cada producto para que su gasto sea mnimo?. Planteamiento y resolucin. Min G = 300x1 + 300x2 x1 = Kg de producto A 40

x2 = Kg de producto B PRODUCTO A 0'2 0'3 PRODUCTO B 0'3 0'1

FSFORO NITRGENO S.A: 0'2x1 + 0'3x2 >= 17 0'3x1 + 0'1x2 >= 8 x1, x2 >= 0

0'2x1 + 0'3x2 = 17 0'3x1 + 0'1x2 = 8 G = 300x1 + 300x2 x1 = 0:: x2 = 17/0'3 = 56'6 x1 = 0:: x2 = 8/0'1 = 80 Pte = 1 x2 = 0:: x1 = 17/0'2 = 85 x2 = 0:: x1 = 8/0'3 = 26'6 100 0'2x1 + 0'3x2 = 17 Pto.Mnimo 0'3x1 + 0'1x2 = 8 80 x1=10 60 x2=50 40 20 20 0 20 40 60 80 100 Debe comprar 10 uni. de A y 50 de B, y el gasto ser de 18.000 pts Ejercicio: Minimizar Z = 5x1 + 10x2, sujeto a las siguientes restricciones. x1 + x2 >= 5 2x1 + 4x2 >= 8 3x1 >= 9 x1, x2 >= 0 x1 + x2 = 5 2x1 + 4x2 = 8 3x1 = 9 x1 = 0 :: x2 = 5 x1 = 0 :: x2 = 2 x1 = 9/3 = 3 x2 = 0 :: x1 = 5 x2 = 0 :: x1 = 4

41

Z = 5x1 + 10x2 Pte = 10/2 = 2 10 8 6 4 2 Pto.Mnimo 6 4 2 0 2 4 6 8 10 x1 + x2 = 5 Min Pto (5,0) x2 = 0 2. Algoritmo de Simples. Es un mtodo matricial que permite resolver problemas de programacin lineal con cualquier nmero de variables. Max Z Min Z Max Z = C1X1 + C2X2 +....................+ CnXn S.A: a11x1 + a12x2 +..+ a1nxn <= b1 a21x1 + a 22x2 +.+ a2nxn <= b2 an1x1 + an2x2 +...+ annxn <= bn x1, x2.xn >= 0 X1 (C1 C2..Cn) X2 Max Z = CX 42

Xn a11 a12................a1n x1 b1 a21 a22................a2n x2 b2 <= AX<=B an1 an2................ann xn bn Algoritmo. Antes de aplicar el algoritmo, hay que transformar todas aquellas restricciones que tengan forma de desigualdad en igualdades, aadiendo las denominadas variables de holgura. a11x1 + a12x2 +..+ a1nxn + u1 = b1 a21x1 + a 22x2 +.+ a2nxn + u2 = b2 an1x1 + an2x2 +...+ annxn + un = bn Tabla Inicial del Simples: Se escriben todas las variables y a continuacin las de holgura: X1 a11 a21 an1 C1 X2 a12 a22 an2 C2 Xn a1n a2n ann Cn U1 1 0 0 0 U2 0 1 0 0 Um 0 0 1 0

b1 b2 bn

SUPUESTO DE PARTIDA.

43

Se parte desde el punto (0,0) Variables bsicas (antes eran las de holgura). b1 = U1 b2 = U2 bn = Un Pasos para llegar al ptimo: 1. Localizar el elemento positivo mayor de la ltima fila. Este nos indicar cual ser la variable entrante en la base (se marca con un tringulo). X2 C2 2. Se obtiene todos los cocientes resultantes de dividir el valor de la ltima columna entre el elemento de su misma fila correspondiente a la columna marcada en el paso 1. De entre estos valores se elige el menor de todos que sea positivo y nos indicar cual es la Variable Saliente de la base. El elemento en que se corten la Variable Entrante con la Variable Saliente, ser el elemento pivote de la tabla. b1 / a12 = 5 b2 / a22 = 2 Se elige el menor de los positivos. bn / an1 = 8 b2 = v2 ::: Variable Saliente a22 3. Conseguir un pivote unidad. Para ello dividir entre el pivote a toda la fila. 4. Mediante operaciones elementales con las restantes filas, tomando fija la fila del elemento pivote, conseguir que en su columna los restantes elementos sean nulos. F1' = F1 a12 F2 Cambio de variables se introduce en el lugar de la Variable Entrante la Variable Saliente y viceversa. 44

5. Comprobar si quedan elementos positivos en la fila inferior, tendramos que iterar todo el proceso. en caso contrario significar que hemos llegado al ptimo, la solucin se encontrar en: b1 = U1 b2 = U2 Ejercicio'(Por el metodo del algoritmo de simples): Una empresa fabrica dos tipos de productos A y B, para lo que dispone de una persona que trabaja 8 horas y de un total de 9 kg de material prima para fabricarlos. Se desea averiguar el nmero de productos a fabricar de cada tipo para obtener el mximo beneficio, sabiendo que el beneficio por cada producto es de 2 y 3 respectivamente (medido en miles de pesetas). Adems se conocen los datos referidos a las horas empleadas para cada producto y a la materia prima necesaria para cada uno de ellos. Max Z= 2x1 + 3x2 V. Saliente: ROJO V. Entrante: AZUL S.A.: x1 + 2x2 <= 8 3x1 + x2 <= 9 x1, x2 >= 0 1 x1 + 2x2 + U1 = 8 3x1 + x2 + U2 = 9 X1 1 3 2 X2 2 1 3 U1 1 0 0 U2 0 1 0

8=U1 9=U2 0=Z

8/2 = 4 Se coge este, por que es el menor positivo. 9/1 = 9 X1 1 3 2 f1' = f2 X1 5/2 X2 1 0 0 U1 1/2 3/2 U2 0 1 0 X2 1 1 3 U1 1/2 0 0 U2 0 1 0

4=U1 9=U2 0=Z

4=X2 5=U2 12=Z 45

f2'=f2f1 f3' = f33f1 X1 5/2 4/1/2 = 8 5/5/2 = 2 X1 1 f2'=2/5f2 X1 0 1 0 X2 1 0 0 U1 3/5 1/5 7/5 U2 1/5 2/5 1/5 X2 1 0 0 U1 1/5 3/2 U2 0 2/5 0 X2 1 0 0 U1 1/2 3/2 U2 0 1 0

4=X2 5=U2 12=Z

4=X2 2=U2 12=Z

3=X2 2=X1 13=Z

f1'=f11/2f2 f3'=f31/2f2 No debe producir A y debe producir 4 unidades de producto B y le sobrarn 5 Kg de recursos ociosos. Ejercicio 1 (hoja): Se desea fabricar dos tipos de bombones que llamaremos A y B. Las cajas de tipo A contienen 1 kg. de chocolate y 2 de cacao; las de tipo B contienen 2 kg. de chocolate, 1 kg. de cacao y 1 kg. de almendras. Disponemos de 500 kg. de chocolate, 400 de cacao y 225 de almendras. Por cada caja de tipo A se ganan 200 pts. y por cada caja de tipo B 300 pts. Cuntas cajas de cada tipo hay que fabricar para que la ganancia sea mxima?. Se pide resolver el problema a travs del algoritmo de Simplex. X1 :: Nmero de cajas de bombones de tipo A. X2 :: Nmero de cajas de bombones de tipo B. MAX Z = 200x1 + 300x2 S.A: x1 + 2x2 <= 500 (chocolate) 2x1 + x2 <= 400 (cacao) x2 <= 225 (almendras) x1, x2 >=0 46

x1 + 2x2 + U1= 500 2x1 + x2 + U2 = 400 x2 + U3 = 225 x1, x2 >=0 X1 1 2 0 200 X1 1 2 0 200 X2 2 1 1 300 X2 2 1 1 300 U1 1 0 0 0 U1 1 0 0 0 U2 0 1 0 0 U2 0 1 0 0 U3 0 0 1 0 U3 0 0 1 0

500 400 225 0

500=U1 400=U2 225=U3 0

V. Saliente: ROJO V. Entrante: AZUL Elemento Pivote: VERDE X1 1 2 0 200 f1'=f12f3 f2'=f2f3 f4'=f4300f3 Como no he llegado al ptimo continuo. X1 1 2 0 200 X1 1 0 0 0 X2 0 0 1 0 X2 0 0 1 0 U1 1 0 0 0 U1 1 2 0 200 U2 0 1 0 0 U2 0 1 0 0 U3 2 1 1 300 U3 2 3 1 100 X2 0 0 1 0 U1 1 0 0 0 U2 0 1 0 0 U3 2 1 1 300

50=U1 175=U2 225=X2 67500=Z

50=U1 175=U2 225=X2 67500=Z

50=X1 75=U2 225=X2 77500=Z 47

f2'=f22f1 f4'=f4200f1 X1 1 0 0 0 X1 1 0 0 0 f2'=1/3f2 X1 1 0 0 0 f1'=f1+2f2 f3'=f3f2 f4'=f4100f2 Solucin: Se deben fabricar 100 cajas de tipo A y 200 cajas de tipo B, para que as el beneficio sea de 80.000 pts. Adems tenemos un excedente de 25 kilogramos de almendras. PROBLEMA DUAL. Todo problema de maximizacin lleva asociado uno de minimizacin ,y viceversa, se dice que uno es el problema DUAL del otro. PRIMAL DUAL MIN Z = CX MAX Z' = BtY S.A: AX >= B S.A: AtY <= Ct X >= 0 Y >=0 Ejemplo: Y1 Y2 U1 U2 48 X2 0 0 0 0 U1 1/3 2/3 2/3 400/3 U2 2/3 1/3 1/3 100/3 U3 0 1 0 0 X2 0 0 1 0 X2 0 0 1 0 U1 1 2 0 200 U1 1 2/3 0 200 U2 0 1 0 0 U2 0 1/3 0 0 U3 2 3 1 100 U3 2 1 1 100

50=X1 75=U2 225=X2 77500=Z

50=X1 75=U2 225=X2 77500=Z

100=X1 25=U3 200=X2 80000=Z

0 X1 X2

10

50

50=Y1 200=Y2 300000=Z'

Las soluciones del PRIMAL se encuentran en la tabla final del DUAL debajo de las variables de holgura con el signo cambiado. Hay un teorema que dice que la funcin objetivo es la misma para el PRIMAL que para el DUAL. Zmin = Z'max Ejercicio (Resuelto por DUAL): Un agricultor desea abonar su campo y sabe que precisa como mnimo 17 Kg de fsforo y 8 Kg de Nitrgeno. En la tienda donde va a comprar estas sustancias, disponen de dos productos, el producto A contiene un 20% de fsforo y un 30% de nitrgeno y cuesta 300 pts el Kg, y el producto B contiene un 30% de fsforo y 10% de nitrgeno y cuesta 300 pts. Qu cantidad ha de comprar de cada producto para que su gasto sea mnimo?. Planteamiento y resolucin. Min C = 300x1 + 300x2 X1 = Kg de producto A X2 = Kg de producto B PRODUCTO A 0'2 0'3 PRODUCTO B 0'3 0'1

FSFORO NITRGENO Min C = 300x1 + 300x2 S.A: 0'2x1 + 0'3x2 >= 17 0'3x1 + 0'1x2 >= 8 x1, x2 >= 0 DUAL Max C' = 17y1 + 8y2 S.A: 0'2y1 + 0'3y2 <= 300 0'3y1 + 0'1y2 <= 300 y1, y2 >= 0

0'2y1 + 0'3y2 + U1 = 300 300/0'2 = 1500 0'3y1 + 0'1y2 + U2 = 300 300/0'3 = 100 y1, y2 >=0 49

Y1 0'2 0'3 17

Y2 0'3 0'1 8

U1 1 0 0

U2 0 1 0

300=U1 300=U2 0=C'

V. Saliente: ROJO V. Entrante: AZUL Elemento Pivote: VERDE Y1 0'2 1 17 Y2 0'3 1/3 8 U1 1 0 0 U2 0 10/3 0

300=U1 1000=U2 0=C'

f2'=f110/3f2 Y1 0 1 0 Y2 7/30 1/3 7/3 U1 1 0 0 U2 2/3 10/3 170/3

100=U1 1000=Y2 17000=C'

f1'=f12/10f2 f3'=f317f2 2 Iteracin. Y1 0 1 0 Y1 0 1 0 f1'=30/7f1 Y1 0 1 0 Y2 1 0 0 U1 30/7 10/7 10 U2 20/7 90/21 50 Y2 7/30 1/3 7/3 Y2 1 1/3 7/3 U1 1 0 0 U1 30/7 0 0 U2 2/3 10/3 170/3 U2 20/7 10/3 170/3

100=U1 1000=Y2 17000=C'

3000/7=U1 1000=Y2 17000=C'

3000/7=Y1 6000/7=Y2 18000=C'

f2'=f21/3f1 f3'=f37/3f1 X1 = 10 Kg. de producto A 50

X2 = 50 Kg. de producto B Coste Mnimo = 18.000 u.m. Ejercicio 2 (hoja): Una fabrica de neumticos especiales decide estudiar cmo reducir sus costes de aprovisionamiento de materias primas para optimizar sus resultados. El departamento de fabricacin estipul que, en principio, necesitaba al menos una hora de trabajomquina y 5 kg. de materia prima para mantener el ritmo de la cadena de produccin de acuerdo al ritmo de demanda previsto. El precio de la horamquina es de 3 u.m., y de 1 u.m. el kg. de materia prima, siendo los neumticos fabricados de dos clases: de lluvia y para hielo. Se pide: Averiguar qu cantidad de neumticos de cada clase hay que producir para minimizar los costes de fabricacin de acuerdo con la siguiente tabla: Hrs.Mq 1 1 Kg. 2 1

HIELO LLUVIA

X1 = Nmero de neumticos de HIELO. X2 = Nmero de neumticos de LLUVIA. Coste Neum. de HIELO = 1 HrsMq 3 u. m. + 2 kg. 1 u.m. = 5 Coste Neum. de LLUVIA= 1 HrsMq 3 u. m. + 1 kg. 1 u.m. = 4 MIN C = 5x1 + 4x2 S.A.: x1 + x2 >= 1 HorMq 2x1 + x2 >= 5 kg x1, x2 >= 0 DUAL MAX C' = y1 + 5y2 S.A.: y1 + 2y2 <= 5 y1 + y2 <= 4 y1, y2 >= 0 y1 + 2y2 + U1 = 5 y1 + y2 + U2 = 4 y1, y2 >= 0 Y1 Y2 U1 U2

51

1 1 1

2 1 5

1 0 0

0 1 0

5=U1 4=U2 0=C'

V. Saliente: ROJO V. Entrante: AZUL Elemento Pivote: VERDE Y1 1 1 f1'=1/2f1 Y1 1/2 3/2 f2'=f2f1 f3'=f35f1 X1 = 2'5 Neumticos de HIELO X2 = 0 Neumticos de LLUVIA 2. CUATRIMESTRE. TEMA1. EL PROCESO ESTADSTICO. ESTADSTICA DESCRIPTIVA. Es la parte de la estadstica que a travs de la acumulacin de informacin, su anlisis y sntesis permite describir el comportamiento de un fenmeno. El objetivo formal de la descripcin estadstica es la masa estadstica o poblacin. Sobre esa poblacin que tenemos que definir es preciso elegir la caracterstica desde la cual se quiere estudiar la poblacin. De esta forma, la caracterstica divide o clasifica a la poblacin original en masas parciales o subpoblaciones estadsticas. No siempre se puede hacer una investigacin exhaustiva de la poblacin y en ese caso tendremos que recurrir al sondeo o al estudio de la misma a travs de una muestra que es un subconjunto del total de casos de la poblacin, pero es imprescindible que la muestra sea representativa del total de casos de la poblacin. Para el proceso de muestreo se suele hacer mediante tablas de nmeros aleatorios, de forma que todos los elementos de la poblacin tienen la misma probabilidad de pertenecer a la muestra. Este proceso se conoce como MUESTREO ALEATORIO SIMPLE (M.A.S.). Se denominan individuos o elementos poblacionales a todos los elementos que constituyen la poblacin. Y2 1 0 0 U1 1/2 1/2 5/2 U2 0 1 0 Y2 1 1 5 U1 1/2 0 0 U2 0 1 0

5/2=U1 4=U2 0=C'

5/2=Y1 3/2=U2 25/2=C'

52

Los caracteres de un individuo pueden presentar dos o ms modalidades que son las diferentes situaciones posibles de un carcter. Una propiedad de las modalidades de una misma caracterstica es que deben ser incompatibles y exhaustivas, es decir, cada individuo presenta una y slo una de las modalidades del carcter. Tipos de Caracteres o Caractersticas. Se distinguen entre caractersticas cualitativas y cuantitativas. a) Caractersticas Cualitativas: Son las que expresan una cualidad que generalmente no tiene representacin numrica. Tambin se las denomina Atributos, y clasifican a la poblacin en categoras. Ejemplo: MORENO Color RUBIO de CASTAO Pelo PELIRROJO b) Caractersticas Cuantitativas: Son las que permiten asignar a cada elemento de la poblacin un nmero real. Se las denomina tambin Variables Estadsticas, pueden ser de tipo Discreto o de tipo Continuo. Variables Estadsticas Discretas: Aquellas que solo pueden tomar valores numricos enteros. Ejemplo: 1 2 N de hijos 3 4 5 Variables Estadsticas Continuas: Son aquellas en las que la variable tiene la posibilidad de adoptar cualquier nmero real. En general son continuas todas las variables relacionadas con tiempo, longitudes, volmenes, etc... . Ejemplo: LONGITUD DE SALTO Menos de 5 5 5'5 [5'5 6'0)* 6'0 6'5 6'5 7'0 7'0 7'5

Se denominan Limite Inferior y Limite Superior a sus extremos. *Si se diera el caso de que una longitud fuese 5'5 se colocara aqu.

53

7'5 8'0 8'5 9'0 Mas de 9'0 Cuando estamos trabajando con variables de naturaleza continua es preciso agrupar los infinitos valores que pueden tomar la variable mediante intervalos de clase. Estos intervalos pueden ser, o tener, de amplitud constante o variable. TEMA2. SERIES Y ESTADISTICAS. 1. Tablas de Distribucin de Frecuencias. a) Datos sin agrupar. El examen de los elementos de una muestra, o toma de datos, da lugar a una serie de valores adoptados por la variable, en el orden en el que se van obteniendo. Seguidamente si el rango o recorrido de la variable no es excesivamente grande, los valores se colocan por orden de magnitud creciente, en forma de Tabla de Distribucin de Frecuencias. VALORES DE LA VARIABLE Xi X1 X2 X3 Xn FRECUENCIAS FRECUENCIAS FRECUENCIA FRECUENCIA FRECUENCIA RELATIVA ABSOLUTA PORCENTUAL ACUMULADA ACUMULADA ABSOLUTAS RELATIVAS ni n1 n2 n3 nn fi = ni / N f1 = n1 / N f2 = n2 / N f3 = n3 / N fn = nn / N Pi = fi * 100 P1 P2 P3 Pn Ni N1 = n1 N2= n1+n2 N3=n1+n2+n3 Nn= ni=N Fi F1 = f1 F2 = f1+f2 F3=f1+f2+f3 Fn= fi=1

b) Datos Agrupados. Si el tamao de la muestra es grande o si Li, variable definida, es de tipo continuo, los datos suelen agruparse mediante intervalos de clase y ser necesario crear una columna en la que aparezcan las marcas de clase que son la semisuma de los lmites del intervalo. MARCAS DE CLASE Xi l1L1 / 2 l2L2 / 2 l3L3 / 2

INTERVALOS DE CLASE l1 L1 l2 L2 l3 L3

54

ln Ln

lnLn / 2

Ejercicio 1: En una clase de 20 alumnos el nmero de asignaturas aprobadas por cada uno de ellos fue: 3, 6, 7, 7, 3, 7, 5, 5, 4, 5, 7, 5, 7, 7, 3, 4, 2, 7, 6, 1. Xi 1 2 3 4 5 6 7 ni 1 1 3 2 4 2 7 ni = 20 fi 0'05 0'05 0'15 0'10 0'20 0'10 0'35 fi = 1 pi 5 5 15 10 20 10 35 pi = 100 Ni 1 2 5 7 11 13 20 Pi 5 10 25 35 55 65 100

Ejercicio 2: Para estudiar el peso de los estudiantes de una Universidad, se ha elegido una muestra de tamao 30 cuyos pesos en Kg son: 72, 64, 53, 58, 66, 70, 78, 54, 63, 56, 58, 64, 72, 64, 68, 55, 67, 57, 61, 67, 61, 58, 69, 54, 62, 56, 62, 57, 51, 73. Construir una tabla de distribucin de frecuencias con intervalos de amplitud 5. Intervalos 5055 5560 6065 6570 7075 7580 Xi 52'5 57'5 62'5 67'5 72'5 77'5 ni 4 8 8 5 4 1 ni = 30 fi 0'13 0'26 0'26 4'16 0'13 0'03 fi = 1 pi 13'3 26'6 26'6 41'6 13'3 3'3 pi = 100 Ni 4 12 20 25 29 30

REPRESENTACIONES GRAFICAS. A) Para Datos sin agrupar: 1. Diagrama de barras: En el eje de abcisas se sealan los valores de la variable, construyendo sobre estos unos segmentos verticales de longitud igual a cada una de sus frecuencias. ni n3 n2 n4 n1 n5 55

X1 X2 X3 X4 X5 Xi 2. Diagrama de Lneas: Se realiza uniendo mediante segmentos los puntos: (X1 , n1) (X2 , n2) (X3 , n3). ni n3 n2 n4 n1 n5 X1 X2 X3 X4 X5 Xi B) Para Datos Agrupados: 1. Histogramas: Se marcan en el eje de abcisas los extremos de los intervalos de clase y sobre cada intervalo se construye un rectngulo cuya base coincide con la amplitud del intervalo y cuya altura es igual a la frecuencia de dicho intervalo. Si la amplitud de los intervalos no fuera la misma en todos los intervalos, la altura de clase la tendramos que calcular. hi = ni / ai ni n3 n2 n4 n1 n5 [l0) l1 l2 l3 l4 l5 Xi 2. Polgonos de Frecuencias: Se obtiene al unir por segmentos los puntos medios de las bases superiores de los rectngulos del Histograma. Se debe prolongar la lnea poligonal hasta las marcas de clase, inferior y superior, a los que figuran en el Histograma, para cerrar el polgono con el eje de abcisas. ni n3 n2 56

n4 n1 n5 l0 l1 l2 l3 l4 l5 Xi C) Otras Representaciones Grficas: 1. Pictogramas: Se utilizan dibujos para representar la variable, no son precisos. 2. Cartogramas: Lo mismo que el anterior pero en vez de con dibujos con colores, se utilizan cuando se est estudiando sobre mapas. 3. Diagrama de Vectores: Es aquel que asigna a un sector de un crculo proporcional a la frecuencia del dato, se utiliza en pocas categoras. Ejercicio 3: En las elecciones de un pas han sido elegidos 200 candidatos de los partidos A, B, C y D. PARTIDOS A B C D VOTOS 90 65 30 15

200360 200360 X=162 A X=117 B 90X 65X 200360 200360 X=54 C X=27 D 30X 15X

4. Polgonos Acumulativos (Ojivas): Se utilizan para representar frecuencias acumuladas, es una lnea poligonal creciente. Datos sin agrupar: 57

ni n4 n3 n2 n1 X1 X2 X3 X4 Xi Datos agrupados: ni n3 n2 n1 X1 X2 X3 Xi ni n5 n4 n3 n2 n1 l0 l1 l2 l3 l4 l5 Xi TEMA3. MEDIDAS DE POSICIN O DE TENDENCIA CENTRAL. Son valores alrededor de los cuales se agrupan los valores de la variable y que en muchos casos se toman como representantes de la distribucin. A) Datos sin Agrupar: 1. Media Aritmtica Simple: Es la suma de los valores adoptados por la variable dividida por el nmero de ellos. xi x=

58

N Ejercicio 1: En un curso hay 8 chicos y 6 chicas, la nota final de curso fue: Chicos: 2, 3, 4, 5, 6, 6, 7, 7. Chicas: 3, 4, 5, 6, 7,8. 2+3+4+5+6+6+7+7 Media de los chicos x = = 5 8 3+4+5+6+7+8 Media de las chicas x = = 5'5 6 2. Media de Medias: Si ni datos tiene por media el valor xi media, n2 tienen por media x2 y nn tiene por media xn. n1..........................x1 xi ni n2..........................x2 x = . n1+n2+n3.......nn . . nn ........................xn N Ejercicio 2: En 4 institutos se ha calculado el peso medio de los estudiantes, en el instituto A, que tiene 120 alumnos, el peso medio es 62'4 Kg; en el B, con 140 alumnos, el peso medio es 59'5 Kg; en el C, con 90 alumnos, el peso medio es 64'2 Kg y en el D, con 130 alumnos el peso medio es 56 Kg. 120 62'4 140 59'5 x = 90 64'2 130 56 480 59

(62'4120)+(59'5140)+64'290)+(56130) x = = 60'2 Kg. 780 ***FALTA ALGO*** 3. Media Aritmtica Ponderada: Ejercicio 3: Al principio de un curso se especifica a los alumnos que realizaran 3 exmenes parciales y un final. El segundo parcial tendr una importancia doble que el primero, el tercero doble que el segundo y el final triple que el tercero. Un alumno obtiene un 10 en el primer parcial, 7 en el segundo, 5 en el tercero y un 4'25 en el final. Cul ser su nota final de curso?. X1 10 P1 p X2 7 P2 2p X3 5 P3 4p X4 4'25 P4 12p

(10p)+(72p)+(54p)+(4'2512p) 95p x===5 p+2p+4p+12p 19p B) Datos Agrupados en Intervalos: 1. La suma algebraica de las desviaciones de un conjunto de nmeros respecto de su media aritmtica es 0. 3 6 8 10 18 xi 3+6+8+10+18 45 x====9 n55 (39)+(69)+(89)+(109)+(189) = 631+1+9= 10+10 = 0 2. Si suponemos, antes de calcularla que la media de un conjunto de nmeros es cualquier valor A resulta que la verdadera media aritmtica sera: d x = A+ N Desviaciones de cada observacin respecto de la media, partido por el nmero de observaciones.

60

(37)+(67)+(87)+(107)+(187) 41+1+3+11 10 x = 7+ = 7+ = 7+ = 7+2 = 9 555 METODOS PARA CALCULAR LA MEDIA. 1. Mtodo Directo: Consiste en aplicar la formula de la media ponderada con la nica salvedad de que se toman como valores representativos de la variable, las marcas de clase de cada intervalo. Xmni x= N = ni Xm : Marcas de clase. ni : Frecuencia de cada intervalo. Ejemplo: Intervalos 1014 1418 1822 2226 2630 3034 3438 ni 1 7 10 16 9 6 1 50 Xm 12 16 20 24 28 32 36 Xmni 12 112 200 384 252 192 36 1188

Ejercicio 4: En el ayuntamiento de cierto pueblo, se han obtenido los siguientes datos sobre el nmero de fincas agrcolas en relacin con la superficie explotada. Se pide hallar la superficie media de explotacin. SUPERFICIE 05 510 1015 1520 2025 N DE FINCAS 2 10 3 4 1

2. Mtodo Abreviado: Se basa en la segunda propiedad de la media aritmtica. Consiste en elegir un intervalo en el que supuestamente est la media y tomar como valor de la media aproximada (A) la marca de clase de dicho intervalo. dni x = A+

61

N Ejemplo: Intervalos 1014 1418 1822 2226 2630 3034 3438 ni 1 7 10 16 9 6 1 50 Xm 12 16 20 24 28 32 36 Xmni 12 112 200 384 252 192 36 1188 d 12 8 4 0 4 8 12 dni 12 56 40 0 36 48 12 12

dni 12 x = A+ = 24+ = 2410'24 = 23'76 N 50 3. Mtodo Clave: Es un mtodo basado en el abreviado, y se utiliza solo cuando la amplitud es constante, se diferencia del mtodo abreviado en que las `d' en vez de representar desviaciones, son unos nmeros enteros que expresan, el nmero de clases o intervalos, que hay desde la marca, considerada, a la marca que coincide con la media supuesta. A estos nmeros se les asigna signo ``, si estn por debajo de la media aproximada, y signo `+' si estn por encima de sta. dni x = A+ I N Ejemplo: Intervalos 1014 1418 1822 2226 2630 3034 3438 ni 1 7 10 16 9 6 1 50 Xm 12 16 20 24 28 32 36 d 3 2 1 0 1 2 3 dni 3 14 10 0 9 12 3 3

d: Nmeros enteros que me indican cuantas clases hay desde un intervalo hasta la media que yo he considerado como media supuesta. dni 3 62

x = A+ I = 24+ 4 = 24(0'24) = 23'76 N 50 Mediana: Ordena los datos en una distribucin de menor a mayor, la mediana es el valor central de esa serie, es decir, el valor de la variable que deja 50% de la distribucin a la izquierda y el otro 50% a la derecha. a) Datos sin agrupar: Serie: 5, 6, 9, 11, 15, 19, 23, 26, 27 El 15 sera la mediana m+1 10 Posicin: = = 5 22 Serie: 5, 7, 10, 15, 20, 21, 24, 27 El 15 y el 20 seran la mediana 15+20 Me = = 17'5 2 m+1 Posicin: = 4'5 2 Serie: 3, 4, 4, 4, 6, 8 El 4 y el 4 seran la mediana m+1 7 Posicin: = = 3'5 22 444 3'5 3'83 4'16 4'5 1/3 = 0'33 Me= 4'16 Serie: 5, 6, 8, 8, 8, 8, 10, 12, 13 El 8 el 8 y el 8 seran la mediana m+1 Posicin: = 5 2 63

8888 7'5 7'75 8 8'25 8'5 8+8'25 1/4 = 0'25 Me= = 8'125 2 Ejemplo: Xi 1 2 3 4 5 6 7 8 9 10 ni 5 7 6 12 20 15 11 6 5 2 89=N Ni 5 12 18 30 50 65 76 82 87 89

I N 89 Me = l+ fi = 44'5 fMe 2 2 5 4'5 5'5 Me = 4'5+1/20(44'530) = 5'225 Moda: Valor de la variable que se presenta con mayor frecuencia. El calculo de la moda, para datos sin agrupar, es directo. Ejemplo: Serie: 2, 2, 3, 5, 6, 6, 6, 7, 8, 8 Mo = 6 Bimodal: Tiene dos modas. Trimodal: Tiene 3 modas. Ejemplos grficos:

64

ni ni Mo Xi Mo1 Mo2 Xi Datos Agrupados: 1 Mo = l + I 1+2 l: Lmite inferior del intervalo modal. 1: Diferencia entre la frecuencia del intervalo modal y la frecuencia de la clase contigua inferior 2: Diferencia entre la frecuencia del intervalo modal y la frecuencia de la clase contigua superior. I: Amplitud del intervalo modal. Ejemplo: CLASES 1020 2030 3040 4050 5060 6070 7080 8090 19 Mo = l + I = 40+ 10 = 44'28 1 + 2 9+12 RELACION EMPRICA ENTRE X, Me Y Mo. Existe una relacin emprica o de tipo experimental, entre las tres medidas de tendencia central ms importantes. Esta relacin viene expresada por la siguiente igualdad: XMo = 3(XMe) Esta relacin se verifica con tanta mayor exactitud cuanto ms simtrica sea la distribucin. Cuando una distribucin es asimtrica se verifica que: X = Me = Mo 65 ni 11 14 21 30 18 10 7 3

1= 3021 = 9 2= 3018 = 12

Asimetra Positiva: Mo Me X Mo < Me < X Asimetra Negativa: X Me Mo Mo > Me > X Ejemplo: CLASES 1020 2030 3040 4050 5060 6070 7080 8090 ni 11 14 21 30 18 15 7 3 119 d 3 2 1 0 1 2 3 4 dni 33 28 21 0 18 30 21 12 1 Ni 11 25 46 76 94 101 116 119

dni 1 x = A+ I = 45+ 10 = 44'91 N 119 I N 10 Me = l+ fi = 40 + (59'546) = 44'5 fMe 2 30 19 Mo = l + I = 40+ 10 = 44'28 1 + 2 9+12 XMo = 3(XMe) 3MeMo (344'5)44'28 x = = = 44'61 22 66

2XMo (244'91)44'28 Me = = = 44'7 33 Mo = 3Me2X = 3(44'5) 2(44'91) = 43'68 REALES X = 44'91 Me = 44'5 Mo = 44'28 Mo < Me < X La distribucin es ligeramente asimtrica positiva. OTRAS MEDIDAS DE POSICIN: CUANTILES. Son una generalizacin del concepto de mediana, pero as como la mediana divide a la serie estudiada en dos partes iguales, con el mismo nmero de elementos cada una, si la distribucin se divide en cuatro partes, o en diez partes, o en cien partes tendramos: Cuartiles (4) Deciles (10) Percentiles (100) CUARTILES. IN Q1 = l + fi fQ1 4 Q2 = Me I 3N Q3 = l + fi fQ3 4 DECILES IN D1 = l + fi fD1 10 67 EMPIRICOS X = 44'61 Me = 44'7 Mo = 43'68

D5 = Q2 = Me I 10N D9 = l + fi fD9 10 PERCENTIL. IN P1 = l + fi fP1 100 P25 = Q1 P50 = D5 = Q2 = Me P75 = Q3 I 99N P99 = l + fi fP99 100 Ejercicio 5: Hallar Q1, Q3, D2, D7, P8, P62. CLASES 2025 2530 3035 3540 4045 4550 5055 5560 ni 5 9 14 20 26 18 7 11 110=N Ni 5 14 28 48 74 92 99 110

P8 D2 Q1 D7 Q3

IN Q1 = l + fi = 30+ 5/14 (27'514) = 34'82 fQ1 4 I 3N Q3 = l + fi = 45 + 5/18 (82'574) = 47'36 fQ3 4 68

I 2N D2 = l + fi = 30+ 5/14 (2214) = 32'85 fD2 10 I 7N D7 = l + fi = 45+ 5/18 (7774) = 45'83 fD7 10 I 8N P8 = l + fi = 25+ 5/9 (8'85) = 27'14 fP8 100 I 62N P62 = l + fi = fP62 100 MEDIA GEOMETRICA. Es otra medida de tendencia central. Se utiliza en vez de la Media Aritmtica para evitar la distorsin que puede darse en la media cuando la frecuencia de los valores extremos es alta. Tambin se utiliza cuando es conveniente trabajar con escalas logartmicas. Ejemplo Calificar de 0 a 10. El 0 y el 10 seran los valores extremos. A) Datos sin Agrupar: X6 = X1, X2,........Xn Ejemplo: Serie 5, 6, 8, 10 X = 56810 = 6'99 log Xi log XG = n Ejemplo log XG = 1'55 XG = antilog 1'55 B) Datos Agrupados: log Xmni

69

log XG = n Ejemplo: CLASES 2025 2530 3035 3540 4045 ni 5 9 14 20 12 60 Xm 22'5 27'5 32'5 37'5 42'5 log Xm 1'35 1'44 1'51 1'57 1'63 log Xmni 6'75 12'96 21'14 31'4 19'56 91'81

log Xmni 91'81 log XG = = = 1'53 n 60 log XG = 1'53 XG = antilog 1'53 XG = 33'9 MEDIA CUADRTICA. A) Datos sin Agrupar: Xi2 XC = X2 = n La raz cuadrada de la media aritmtica de los cuadrados de los valores de la serie. B) Datos Agrupados: Xm2ni XC = N MEDIA ARMONICA. A) Datos sin Agrupar: La inversa de la media aritmtica de los inversos de los valores de la variable. 70

N XH = 1/Xi B) Datos Agrupados: N XH = 1/Xm ni Siempre se verifica que la XH <= XG <= X TEMA4. MEDIDAS DE DISPERSION. 1 SEMANA 10 20 30 50 60 80 100 350 2 SEMANA 30 40 50 50 60 60 60 350

La dispersin mide cuanto se dispersan, en media, los datos de una distribucin respecto una media de tendencia central. XX Dispersin muy alta Dispersin baja Adems la dispersin sirve para explicarnos como se comportan los datos respecto de la media de tendencia central MEDIDAS DE DISPERSIN MAS UTILIZADAS. Rango Semiintercuartlico: Es la semidiferencia entre el tercer y el primer cuartil. Q3 Q1 Q= 2 Esta medida tiene el inconveniente de que slo se fija en el 50% de las observaciones y adems desprecia los valores extremos, por lo que su uso debe ir acompaado de la medida del rango o recorrido de la variable. 71

Se suele recomendar su uso cuando la medida de posicin ms representativa sea la mediana; tambin cuando trabajemos con una distribucin que presente concentracin de valores alrededor de algn valor central. Q1 Me Q3 X1 Ejercicio 1: Calcular el rango semiintercuartlico. CLASES 2025 2530 3035 3540 4045 4550 5055 5560 Ni 3 5 10 18 24 20 13 7 100 Ni 3 8 18 36 60 80 93 100

Q1

Q3

I Q1 = l + (N/4 fi) = 35 + 5/18 (2518) = 36'9 fQ1 I Q3 = l + (3N/4 fi) = 45 + 5/20 (7560) = 48'75 fQ3 Q3 Q1 48'75 36'9 Q = = = 5'92 22 Rg = 6020 = 40 Desviacin Media: Es la media aritmtica de las desviaciones de cada uno de los valores de los valores de la variable con respecto a una media de tendencia central de la distribucin. A) Datos sin Agrupar: Xi X= N |Xi X| DM = N 72

B) Datos Agrupados: |Xm X| ni DM = N Ejemplo con Datos sin Agrupar: Xi 2 2 4 4 4 5 6 7 8 8 |Xi X| 3 3 1 1 1 0 1 2 3 3 18

|Xi X| 18 DM = = = 1'8 N 10 Xi 50 X===5 N 10 Ejemplo con Datos Agrupados: CLASES 1620 2024 2428 2832 3236 3640 4044 4448 4852 ni 2 8 8 18 20 18 15 8 3 Xm 18 22 26 30 34 38 42 46 50 Xm ni 36 176 208 540 680 684 630 368 150 |Xm X| 16'72 12'72 8'72 4'72 0'72 3'28 7'28 11'28 15'28 d ni 33'44 101'76 69'76 84'96 14'40 59'04 109'20 90'24 45'84

73

100 Xm ni 3472 X = = = 34'72 N 100 |Xm X| ni 608'64 DM = = = 6'086 N 100 Desviacin Tpica y Varianza.

3472

608'64

Desviacin Tpica: Es la medida de dispersin ms importante, por que en ella se basan muchos clculos estadsticos. Es la raz cuadrada de la media de los cuadrados de las desviaciones con respecto a la media de la distribucin. A) Datos sin Agrupar: (Xi X)2 S= N B) Datos Agrupados: (Xm X)2 ni S= N Ejemplo para Datos sin Agrupar: Xi 5 8 10 12 16 Xi X 5'2 2 0'2 1'8 5'8 (Xi X)2 27'04 4'84 0'04 3'24 33'64 68'8

Xi X = = 10'2 74

N (Xi X)2 68'8 S = = = 13'76 = 3'71 N5 Para los Datos Agrupados hay otros mtodos ms rpidos, por ejemplo, el Mtodo Clave de la media aritmtica. Para poder aplicar el Mtodo Clave de la desviacin tpica, los intervalos tienen que tener amplitud constante. d2 ni d ni 2 S = I d2 (d)2 = I NN Ejemplo para Datos Agrupados: CLASES 150155 155160 160165 165170 170175 175180 180185 185190 190195 195200 ni 3 6 12 18 25 17 10 7 4 1 103 d 4 3 2 1 0 1 2 3 4 5 d2 16 9 4 1 0 1 4 9 16 25 d2 ni 48 54 48 18 0 17 40 63 64 25 377 d ni 12 18 24 18 0 17 20 21 16 5 7

377 7 2 S = 5 = 5 3'66 0'005 = 9'56 103 103 Varianza: Es el cuadrado de la desviacin tpica de la distribucin. A) Datos sin Agrupar: (Xi X)2 V= N B) Datos Agrupados: 75

(Xi X)2 d2 ni d ni 2 V = = I2 NNN OTRAS MEDIDAS DE DISPERSIN, MOMENTOS. Se define Momento de orden r con respecto a un punto A, a la media de las desviaciones de los valores de la variable con respecto a ese punto A, elevadas a la potencia r. Dependiendo de cual sea el punto A que tomemos como referencia para el calculo de las desviaciones, podemos distinguir entre: 1. Momentos con respecto al origen: (A = 0) a0, a1, a2.................................ar 2. Momentos con respecto a la media: (A = X) m0, m1, m2,................................mr 3. Momentos con respecto a cualquier punto A m'0, m'1, m'2..............................m'r A) Datos sin Agrupar: (Xi 0)r Xir 1. ar = = NN (Xi X)r 2. mr = N (Xi A)r 3. m'r = N B) Datos Agrupados: Xmr ni 1. ar =

76

N (Xm X)r ni 2. mr = N (Xm A)r ni 3. m'r = N Xi0 N a0 = = = 1 El momento de orden 0 respecto del origen N N siempre es 1. Xi a1 = = X El momento de orden 1 con respecto al origen siempre es N X. Xi2 a2 = El momento de orden 2 con respecto al origen siempre es Xc2. N Xi3 a3 = N (Xi X)0 N m0 = = = 1 NN (Xi X)1 0

77

m1 = = = 0 NN (Xi X)2 m2 = = V = S2 N (Xi X)3 m3 = N (Xi A)0 m'0 = = 1 N (Xi A)1 m'1 = N Formula de los Momentos por el Mtodo Clave. dr ni m'r = Ir dr = Ir N Relacin entre Momentos. m2 = m2 m'12 m3 = m'3 3m'1 m'2 +2m'13 Ejercicio 2: Calcular los Momentos con respecto de la media hasta orden 3. CLASES 1216 1620 2024 ni 1 4 7 d 3 2 1 d ni 3 8 7 d2 ni 9 16 7 d3 ni 27 32 7 78

2428 2832 3236 3640 4044

14 8 5 4 2 45

0 1 2 3 4

0 8 10 12 8 20

0 8 20 36 32 128

0 8 40 108 128 218

d ni m'1 = I = 4 20/45 = 1'77 N d2 ni m'2 = I2 = 16 128/45 = 45'51 N d3 ni m'3 = I3 = 64 218/45 = 4'84 N m2 = m2 m'12 = 45'51 (1'77)2 = 42'35 = V m3 = m'3 3m'1 m'2 +2m'13 = 4'84 (31'77 45'51) + 2(1'77)3 = 79'43 MEDIDAS DE ASIMETRIA Y APUNTAMIENTO. Asimetra de la distribucin: La medida de la asimetra de una distribucin se denomina SESGO. Si la curva de frecuencias de una distribucin es ms larga a la derecha del mximo de la curva, que a la izquierda, se dice, que la distribucin est sesgada a la derecha, o que tiene SESGO positivo. En caso contrario se dice que tiene SESGO negativo. Ejemplo de SESGO positivo: ni MAX Mo Ejemplo de SESGO negativo: ni

79

MAX Mo Para medir el SESGO. Coeficiente de Pearson: X Mo P1 = S 3( X Me) P2 = S SESGO en funcin de los momentos. m3 Sm = S3 Ejercicio 3: Calcular los coeficientes de asimetra P1, P2, Sm. CLASES 100110 110120 120130 130140 140150 150160 160170 170180 180190 190200 ni 4 7 18 32 26 21 16 10 4 2 140 Xm 105 115 125 135 145 155 165 175 185 195 Xm ni 4120 805 2250 4320 3770 3255 2640 1750 740 390 20340 Ni 4 11 29 61 87 108 124 134 138 140 (XmX)2 1622'96 917'24 411'52 105'802 0'082 94'36 388'64 882'92 1577'202 2471'48 (XmX)2 ni 6491'84 6420'69 7407'39 3385'65 2127 1981'59 6218'26 8829'21 6308'808 4942'96 51988'571

METODO DIRECTO: X Mo P1 = S 80

3( X Me) P2 = S Xm ni 20340 X = = = 145'286 N 140 I Me = l + (N/2 fi) = 140 +10/26 (7061) = 143'46 fMe 1 14 Mo = l + I = 130 + 10 = 137 1 + 2 14+6 (Xm X)2 ni 51988'571 S = = = 19'27 Desviacin Tpica. N 140 145'28 137 P1 = = 0'43 19'27 P = P1 P2 = 0'15 3(145'286143'46) Asimetra Positiva. P2 = = 0'28 19'27 X Mo = 3(X Me) m3 1852'79 Sm = = = 0'25 S3 7155'585

81

(Xm X)3 ni m3 = = 1852'79 N METODO CLAVE. CLASES 100110 110120 120130 130140 140150 150160 160170 170180 180190 190200 ni 4 7 18 32 26 21 16 10 4 2 140 d 4 3 2 1 0 1 2 3 4 5 d ni 16 21 36 32 0 21 32 30 16 10 4 d2 ni 64 63 72 32 0 21 64 90 64 50 520 d3 ni 256 189 144 32 0 21 128 270 256 250 304

dni 4 X = A + I = 145 + = 145'28 N 140 La Media y la Moda son igual que en el Mtodo Directo. d2ni d ni 2 520 4 2 S = I = 10 = 19'27 N N 140 140 dni m'1 = I d = I = 10 4/140 = 0'28 N d2ni m'2 = I2 d2 = I = 100 520/140 = 371'42 N d3ni m'3 = I3 d3 = I = 1000 304/140 = 2171'42 82

N m3 = m'3 3m'1 m'2 +2m'13 = 2171'423(0'28371'42)+2(0'28)3 = 1852'79 Sustituir en el SESGO. Medidas de Apuntamiento. El Apuntamiento de una distribucin de frecuencias indica la mayor o menor altura del mximo central con respecto a la altura de la curva normal. Para medir el apuntamiento se emplea la CURTOSIS. Segn el grado de Apuntamiento las distribuciones se clasifican en: LEPTOCURTICA: Tiene mayor Apuntamiento que la curva normal: MESOCURTICA: Tiene Apuntamiento normal: PLATOCURTICA: Tiene menor Apuntamiento que la curva normal. Formas de medir la Curtosis. Hay dos formas: A) Curtosis en funcin de los cuantiles: Se utiliza el Coeficiente de Curtosis Percentlico. Q Se le denomina K1 = P90 P10 B) Curtosis en funcin de los momentos: Se utiliza el Coeficiente de FISHER. m4 Se le denomina K2 = 3 S4 K2 > 0 Distribucin LEPTOCURTICA. K2 = 0 Distribucin MESOCURTICA. K2 < 0 Distribucin PLATOCURTICA. Ejercicio 4. CLASES 100110 110120 120130 ni 4 7 18 Ni 4 11 29

P10 83

130140 140150 150160 160170 170180 180190 190200

32 26 21 16 10 4 2 140

61 87 108 124 134 138 140

Q1 Q3 P90

I Q1 = l + (N/4 fi) = 130 + 10/32 (3529) = 131'87 fQ1 I Q3 = l + (3N/4 fi) = 150 + 10/21 (10587) = 131'87 fQ3 Q3 Q1 158'57 131'87 Q = = = 13'35 22 I P10 = l + (10N/100 fi) = 120 + 10/18 (1411) = 121'66 fP10 I P90 = l + (90N/100 fi) = 170 + 10/10 (126124) = 172 fP90 Q 13'35 K1 = = = 0'265 P90 P10 172121'66 Teniendo en cuenta KNORMAL = 0'263 MESOCURTICA. Ejercicio 4 Por FISHER. m4

84

K2 = S4 Directo: (XmX)4 ni m4 = N Clave: m4 = m'44m'1m'3+6m'2m23m'14 d4ni m'4 = I4 d4 = I4 = 10000. 5272/140 = 376571'42 N m4 = 376571'424(0'282171'42)+6(0'28371'42)3(0'28)4 = 374314'12 m4 374314'12 K2 = = 3 = 0'28 S4 19'274 PLATOCURTICA. 1 0'28 0 1 6 Rojo: Diagonal principal Azul: Diagonal secundaria N de columnas N de filas = * = Aij = (1)1+j * ij

85

1 X = A1 B X = (C 3A) B1 Operaciones Elementales r(A) = r(A*) = r Sale U1 y entra X2 Sale U2 y entra X1 Las dems columnas son iguales que en la tabla anterior. Xmni x= N 1188 x = = 23'76 50 V = S2 S=V a0 = m0 = m'0 = 1 m1 = 0 a1 = X m2 = S2 = V a2 = X2

86